本发明专利技术提出一种无需人工设定阈值的脑电信号中眼电伪迹自动去除的方法，属于生物信息技术领域，主要应用于脑电信号的预处理过程中。具体包括：对采集的含有眼电伪迹的脑电信号进行独立分量分解；并且求取每个独立分量的峭度、序列renyi熵和样本熵作为特征向量，进而使用k均值聚类分析的方法自动识别出含有眼电伪迹的独立分量，并将其置零，其余分量不变，对信号进行重构，得到纯净的脑电信号。本发明专利技术解决了传统的眼电伪迹去除过程中需要人工对伪迹进行识别、费时费力、工作量大的问题，并且本方法无需人工设定阈值就可以实现自动识别并去除眼电伪迹的目的，弥补了以往方法中设定阈值时需要研究人员具备一定的先验知识、主观性强的不足。
【技术实现步骤摘要】
本专利技术涉及生物信息
，特别涉及脑电信号(Electooenc-ephalogram,EEG)的预处理技术。具体是涉及一种无需人工设定阈值的脑电信号中眼电伪迹(Ocular Artifact, 0A)的自动去除技术。
技术介绍
脑电信号是一种微弱的电生理信号，其中包含了大量的生理与疾病信息，在临床医学、认知心理学等研究领域中发挥着重要作用。头皮表面记录脑电的方式是目前脑电信号研究中所采用的最主要的信号采集方式，该方式记录技术简单、易操作，但信号易受噪声的干扰。脑电干扰给脑电信号的解释与分析造成了很大的困难。因此，有效识别并去除脑电信号中的伪迹，得到纯净的脑电信号，对进一步研究大脑的真实活动具有重要意义。影响脑电信号的伪迹主要包括眼电伪迹、心电伪迹、肌电伪迹、50Hz工频干扰等。相对于其它伪迹成分而言，眼电伪迹是使EEG信号失真的一种最主要的干扰成分。眼电伪迹的幅值较大，最大可达到IOOmV,并且眼电信号源距离测量电极较近，对脑电信号造成了很大的干扰。眼电的产生是由于跨膜间存在静息电位，角膜侧为正，巩膜侧为负，这可以看作是有一个电偶极子存在。眼球转动过程中，该偶极子改变了眼睛周围的电场，从而影响头皮电场，眼球运动方向一侧的电极记录到眼电伪迹为正，眼球运动相反方向一侧的电极记录得到的眼电伪迹为负，由于大脑是电的良导体，眼电信号从前额处向后传播，遍历整个头部，放置在头部用于采集脑电信号的电极可以采集到这些信号，造成对脑电信号的干扰。而且，眼电伪迹的频带与脑电信号的频带相混叠，很难使用传统的滤波方法进行去除，因此，脑电信号预处理阶段最重要的工作就是如何有效地去除眼电伪迹。从脑电信号中有效地去除眼电伪迹一直是生物医学信号处理领域的研究热点，其中一些主要的研究成果有I实验控制法这种方法要求研究人员给予受试者一定的实验指导，例如要求受试者在实验过程中始终保持闭眼状态或尽量避免眨眼和眼球转动以减少眼电伪迹的干扰，这样做虽然可以在一定程度上抑制干扰，但是前者会引入α波的干扰，后者在长时间的实验过程中极易引起疲劳，并且不易做到。2伪迹剔除法它的主要思想是将受到眼电伪迹影响脑电信号剔除以获得较纯净的脑电信号，但是这样做的同时剔除了大量的脑电信号，造成了信息的遗漏，并且人工剔除干扰信号的劳动量过大，主观性强，而且不适应在线脑机接口系统的需求。3回归方法研究表明眼电伪迹在测量电极处的衰减程度与电极到眼部的距离有关，此方法利用这一原理通过计算得到眼电信号在每个头皮电极处的衰减因子，然后将采集到的每导脑电信号减去乘以衰减因子的眼电信号，从而得到伪迹去除后的数据。它的模型为IiliC,{ε) = !]‘:(;、(ε) - ηΕΟΟ ( I )式中，EOG表不测量得到的眼电信号；EEGS( ε )表不原始脑电信号；EEG( ε )表不伪迹去除后的脑电信号；ε表示相应的测量通道；η表示比例系数，即眼电信号在第ε导处的衰减因子。H值常用回归分析的方法进行估计。这种伪迹去除方法的优点是直观易懂，物理意义明确，缺点是没有考虑到脑电信号的双向传播性，即实际测得的眼电信号中也包含一些脑电成分。因此，回归方法去除伪迹的同时不可避免的去除某些脑电成分。4小波变换法小波变换(Wavelet Transform, WT)是数学领域的一个重要分支，近年来越来越受到各个学科领域的极大重视。由于其在时频两域都具有表征信号局部特征的能力和多分辨率分析的特点，因此被誉为“数学显微镜”。小波变换的基本思想是将原始信号通过伸缩和平移后，分解为一系列具有不同时间分辨率、不同频率特性的子带信号，这些子带信号具有良好的时域、频域等局部特征，进而可以实现对信号在时域和频域的局部化分析，从而克服了傅里叶分析在处理非平稳信号和复杂图像时所存在的局限性。但是使用小波变换法去除伪迹要求信号和噪声的频带不能混叠。而脑电信号与眼电伪迹的频带相混叠，于是研究者开始将传统的小波变换法与其它去除伪迹的方法相结合，取长补短，期望获得更好的效果。 5主成分分析法(Principal Components Analysis, PCA):主成分分析是一种多通道的信号处理方法，其基本思想是利用正交原理将一组相关变量转化成为另一组相互独立的变量(即主成分)，分解出来的主成分按大小排序，通常前面几个主成分就包括了信号80%的信息，因此PCA也被用来数据降维，去除冗余。PCA可以把多导联的脑电信号分解为相互正交的成分，去掉噪声和伪迹成分，再对其余成分进行重构，就可以得到较为纯净的脑电信号。PCA的主要缺点在于I信号和噪音波形相似时，难以从EEG中去除伪迹；2它只对正交的信号源比较有效，在去除伪迹时只能去除与脑电信号相正交的干扰成分；3它只适合于分解低阶相关信号，难以分解高阶的相关信号。6独立分量分析(Independent Component Analysis, I CA)独立分量分析理论的发展可追溯到上个世纪80年代初期，法国学者J. Hernah和C. Juttne等人首次提出了ICA分析的基本概念，最初被用来解决“鸡尾酒会”问题，随着近年来在ICA方面研究兴趣的增加，该理论已被广泛应用在图像处理、天线阵列、控制科学、生物医学信号处理等领域，其研究热潮方兴未艾。ICA是实现盲源分离(Blind Source Separation, BSS)最主要的方法之一,是一种基于高阶统计量的分析方法，处理对象为非高斯信号。理论上可以认为脑电信号、眼电伪迹、心电伪迹、肌电伪迹以及其他干扰源所产生的干扰信号都是由相互独立的源产生的，而且可以将观测信号视为是伪迹与脑电信号的线性组合，并且伪迹源的数目通常比头皮上测量的脑电通道数要少，因而独立成分分析方法适用于分离脑电信号中的各种伪迹。在实际应用中，ICA方法可以很好的分离频带相重叠的信号，弥补了小波分析去除伪迹的不足。但是ICA方法也有缺陷在分离出信号和伪迹后，需要人工识别并筛选出伪迹成分再进行去除，费时费力，且具有很大的主观性。
技术实现思路
本专利技术针对传统脑电信号中眼电伪迹去除的过程中需要人工对眼电伪迹进行识另|J、费时费力、工作量大的缺陷，提出了一种眼电伪迹自动去除的方法。其主要特征包括首先利用独立分量分析对含有眼电伪迹的脑电信号进行分解，得到若干个独立分量，然后求取每个独立分量的峭度、序列renyi熵和样本熵作为区分脑电信号和眼电伪迹成分的特征，进而采用k均值聚类分析——一种无监督的分类算法进行特征分类，通过将含有眼电伪迹的独立分量置零重构出纯净脑电信号。具体步骤如下I独立分量分解本专利技术采用1999年芬兰学者Aapo Hyvarinen等人提出的基于负熵的固定点ICA算法，简称fastica算法，进行独立分量分解。设η通道观测信号x (t) = [Xl (t)，X2 (t)，…，xn(t)],经过 ICA 分解得到 m 个独立分量 y (O = Iiy1 (t)，y2 (t),…，ym(t)]。 2特征提取经过ICA分解得到m个独立分量y (t) = Hy1 (t)，Yi (t)，…，ym(t)],分别求取它们的峭度、序列renyi熵和样本熵作为分类特征。2. I峭度峭度是时间序列的四阶累计量，可以表征信号的波动情况。眼电伪迹的峭度值要显著大于脑电信本文档来自技高网...
【技术保护点】
一种无需人工设定阈值的脑电信号中眼电伪迹自动去除的方法，其特征在于：首先，对采集的脑电信号进行独立分量分解，得到m个独立分量；其次，对于每一个独立分量，求取它们的峭度、序列renyi熵和样本熵作为特征向量；然后，使用k均值聚类分析——一种无监督的分类算法自动识别出含有眼电伪迹的独立分量；最后，将含有眼电伪迹的独立分量置零，其余独立分量不变，对信号进行重构，得到纯净的脑电信号；包括以下步骤：1）独立分量分解使用fastICA算法对信号进行分解，它的基本模型表达式为：x(t)=As(t)---(1)式中，x(t)=[x1(t),x2(t),…,xn(t)]T∈Rn×N是n通道的观测向量，为测量得到，1≤t≤N，N表示采样点总数，s(t)∈Rm×N为源信号，混合矩阵A∈Rn×m，独立分量分析的目标是求解分离矩阵w，通过w从观测信号x(t)中恢复出未知的源信号s(t)，源信号s(t)使用下式估计得到:y(t)=wx(t)---(2)式中，y(t)是源信号s(t)的估计，y(t)=[y1(t),yi(t),…,ym(t)]T∈Rm×N是求得的m个独立分量，其中yi(t)是第i个独立分量，1≤i≤m，i为整数，t表示第t个采样点，分离矩阵w∈Rm×n；2）特征提取2.1？峭度：对于每一个独立分量yi(t)，求取它的峭度；k=m4-3m22---(3)式中，k为独立分量yi(t)的峭度值，1≤i≤m，i为整数；mβ为yi(t)的β阶中心矩，mβ=E{(yi(t)？m1)β}，β={2,4}，E(·)表示对括号里的表达式求均值，m1为yi(t)的均值；2.2？renyi熵：对于每一个独立分量yi(t)，其计算公式为H(yi(t))=11-αlog1N2Σj=1NΣh=1NG(yi(j)-yi(h),2σ2)---(4)式中，，θ=yi(j)？yi(h)；方差σ=0.2～0.3，α=1.8，N为独立分量yi(t)的采样点个数；yi(j)与yi(h)是独立分量yi(t)在采样点j和h的采样值；2.3？样本熵：对于每一个独立分量yi(t)，其样本熵的计算过程如下：第一步：设独立分量yi(t)有N个采样点，t表示第t个采样点，1≤t≤N，t为整数；第二步：从独立分量yi(t)中提取b维矢量，b=2，即：Yb(t)=[yi(t),yi(t+1)]---(5)式中，yi(t)和yi(t+1)是独立分量yi(t)在采样点t和t+1的采样值，1≤t≤N？1，t为整数；第三步：使用第二步的方法得到两个b维矢量为Yb(t)和Yb(t1)，定义它们之间的距离为：d[Yb(t),Yb(t1)]=maxc={0,1}[|yi(t+c)-yi(t1+c)|]---(6)式中，1≤t,t1≤N？1,t≠t1，t、t1为整数，Yb(t)和Yb(t1)为公式（5）中Yb(t)在采样点t和t1的值；yi(t+c)和yi(t1+c)为独立分量yi(t)在采样点t+c和t1+c的采样值，c∈{0,1}，求取差值的最大值，即为两个b维矢量的距离；第四步：设定一个阈值r，r=(0.1~0.25)std(yi(t))，std(yi(t))为yi(t)的标准差；对于每一个t值，统计d[Yb(t),Yb(t1)]小于r的数目，记为T，1≤t,t1≤N？1,t≠t1，t、t1为整数，t1可以取N？2个值，因此，总的距离数为N？2，计算T与总的距离数N？2的比值，记为，即Btb(r)=TN-2---(7)第五步：计算的均值，即Bb(r)=1N-1Σt=1N-1Btb(r)---(8)第六步：再从同一个独立分量yi(t)中提取b1维矢量，b1=3，即：Yb1(t)=[yi(t),yi(t+1),yi(t+2)]---(9)式中，yi(t)、yi(t+1)和yi(t+2)是独立分量yi(t)在采样点t、t+1和t+2的采样值，1≤t≤N？2，t为整数；第七步：使用第六步的方法得到两个b1维矢量为和，定义它们之间的距离为：d[Yb1(t),Yb1(t1)]=maxe={0,1,2}[|yi(t+e)-yi(t1+e)|]---(10)式中，1≤t,t1≤N？2,t≠t1，t、t1为整数，和为公式（9）中在采样点t、t1的采样值；yi(t+e)和yi(t1+e)为独立分量yi(t)在采样点t+e和t1+e的采样值，e∈{0,1,2}，求取差值的最大值，即为两个b1维矢量的距离；第八步：在第四步中已计算得到阈值r，对于每一个t值，统计小于r的数目，记...
【技术特征摘要】
1.一种无需人工设定阈值的脑电信号中眼电伪迹自动去除的方法，其特征在于首先，对采集的脑电信号进行独立分量分解，得到m个独立分量；其次，对于每一个独立分量，求取它们的峭度、序列renyi熵和样本熵作为特征向量；然后，使用k均值聚类分析——...
【专利技术属性】
技术研发人员：李明爱，李骧，张译帆，崔燕，乔俊飞，杨金福，郝冬梅，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。